CN113592770B - 一种去除水草影响的藻华遥感识别方法 - Google Patents
一种去除水草影响的藻华遥感识别方法 Download PDFInfo
- Publication number
- CN113592770B CN113592770B CN202110698993.4A CN202110698993A CN113592770B CN 113592770 B CN113592770 B CN 113592770B CN 202110698993 A CN202110698993 A CN 202110698993A CN 113592770 B CN113592770 B CN 113592770B
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- image
- algae
- lake
- algal bloom
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 239000005422 algal bloom Substances 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 27
- 241000196324 Embryophyta Species 0.000 title claims abstract description 21
- 241000195493 Cryptophyta Species 0.000 claims abstract description 33
- 230000009466 transformation Effects 0.000 claims abstract description 13
- 244000025254 Cannabis sativa Species 0.000 claims abstract description 11
- 238000011160 research Methods 0.000 claims abstract description 9
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 4
- 238000011835 investigation Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 abstract description 17
- 238000012544 monitoring process Methods 0.000 abstract description 7
- 239000002344 surface layer Substances 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 5
- 241001113556 Elodea Species 0.000 description 4
- 229920003266 Leaf® Polymers 0.000 description 4
- 238000010521 absorption reaction Methods 0.000 description 4
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 4
- 230000002265 prevention Effects 0.000 description 4
- 238000002310 reflectometry Methods 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 244000058871 Echinochloa crus-galli Species 0.000 description 2
- 235000015225 Panicum colonum Nutrition 0.000 description 2
- 108010053210 Phycocyanin Proteins 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 229930002875 chlorophyll Natural products 0.000 description 2
- 235000019804 chlorophyll Nutrition 0.000 description 2
- 229930002868 chlorophyll a Natural products 0.000 description 2
- 239000013505 freshwater Substances 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012851 eutrophication Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及一种去除水草影响的藻华遥感识别方法，对研究区的遥感影像进行预处理，并对其进行缨帽变换后，计算获取湿度分量TC3，基于湿度分量TC3与影像的蓝波段Bblue进行波段组合，构建可去除水草影响的湖泊藻华识别指数GAVI；最后，确定GAVI的分割阈值，通过阈值分割实现湖泊水体表层藻华空间分布识别。本发明的方法能够去除草藻型湖泊藻华识别时水草影响，实现了草藻型湖泊藻华的准确识别，解决了草藻型湖泊中草藻区分困难的问题，直接推动了草藻型湖泊中藻华的遥感自动化和业务化监测。
Description
技术领域
本发明属于遥感应用领域，涉及一种去除水草影响的藻华遥感识别方法。
背景技术
随着气候变化与人类社会经济的快速发展，浅水湖泊富营养化引起的藻华频繁暴发是目前中国淡水湖泊面临的重大环境问题。准确快速地掌握藻华暴发面积与时空动态，可为藻华的应急防控和水质管理等决策提供科学依据。与传统的实地调查方式相比，遥感具有实时、迅速、成本低、大范围等特点，已成为湖泊藻华监测最有效的技术手段。
大量的藻类聚集会使水体反射率在近红外波段急剧上升，形成类似植被的“陡坡效应”，同时由于蓝藻中叶绿素a和藻蓝蛋白的吸收效应，藻类聚集的水体反射率在蓝光及红光波段值较低，这些光谱特征是利用遥感监测藻华的理论依据。因此，目前常用的藻华遥感监测指数，如归一化植被指数(Normalized Difference Vegetation Index,NDVI)、比值植被指数(Ratio Vegetation Index,RVI)、增强型植被指数(Enhanced VegetationIndex,EVI)、以及浮游藻类指数(Floating Algae Index,FAI)等，均是基于藻类内的叶绿素a和藻蓝蛋白的吸收特征和近红外波段的抬升效应将藻华区域从一般水体里面区分出来。然而，水草中的浮叶类和挺水植被也具有叶绿素的吸收特征和近红外波段的“陡坡效应”(图2)，通常也是通过以上植被指数进行识别。在藻型或者草型湖泊用该类指数可以准确识别藻华或者水草，但在草藻共存的草藻型湖泊，该类指数(如NDVI)无法区分水草和藻华(图3)，直接降低了藻类和水草的监测精度。
针对“草藻型湖泊中草藻识别难”的问题，本发明提出一种去除水草影响的藻华准确识别指数，可快速、准确的获取草藻共存的湖泊中藻华的空间分布信息，对草藻型湖泊中藻华的应急防控、水草和水质管理具有十分重要的意义。
发明内容
本发明针对“草藻型湖泊中草藻识别难”的问题，提出一种去除水草影响的藻华遥感识别方法，可准确的获取草藻共存的湖泊中藻华的空间分布信息。
为实现上述目的，本发明采用如下技术方案：
步骤一、对草藻型湖泊遥感影像进行缨帽变换处理；
步骤二、基于影像缨帽变换后的湿度分量TC3与遥感影像的蓝波段Bblue进行波段组合，构建藻华识别指数GAVI，并计算遥感影像像元GAVI值，其计算方式如下：
其中，L为TC3最小值的绝对值；
步骤三、设置分割阈值，基于像元GAVI指数及分割阈值对遥感影像进行阈值分割，识别藻华区域。
作为一种优选的实施方式，所述遥感影像为多光谱遥感影像。
作为一种优选的实施方式，所述方法还包括，对于含多个蓝光波段的卫星遥感数据，分别计算各蓝光波段下的像元GAVI值，之后做均值处理，作为最终的像元GAVI值。
作为一种优选的实施方式，还包括对遥感影像进行预处理，之后对其进行缨帽变换。
作为一种优选的实施方式，所述遥感影像的预处理方式为：将遥感影像进行辐射定标和大气校正处理。
作为一种优选的实施方式，对遥感影像的预处理还包括，对遥感影像进行影像镶嵌处理。可用于获取大型湖泊全区的遥感影像。
作为一种优选的实施方式，在遥感影像预处理后提取研究区影像，并对其进行缨帽变换。
作为一种优选的实施方式，所述研究区影像的提取方式为：利用湖泊矢量边界对影像进行裁剪，获取研究区影像。
作为一种优选的实施方式，所述识别藻华区域的方式为，基于分割阈值将图像进行像元尺度的分割，GAVI值≥分割阈值的像元为藻华像元。
本发明构建了一种可去除水草影响的湖泊藻华识别指数，该指数解决了传统的藻华和水草识别指数在草藻共存型湖泊中很难准确区分草藻的难题。该指数可去除水草的干扰，快速实时的识别湖泊水体表层藻华，为草藻型湖泊的藻华应急防控和水质的管理提供科学指导。
附图说明
图1为本发明方法的流程图。
图2为本发明实施例中各地物在遥感影像上平均反射率的光谱曲线图。
图3为本发明实施例中NDVI的灰度拉伸图。
图4为本发明实施例中GAVI的灰度拉伸图。
图5为本发明实施例中基于GAVI提取得到的研究区藻华空间分布图。
具体实施方式
下面结合附图和实施例对本发明的技术方案做进一步说明。本例中，以中国典型草藻型湖泊——太湖为例进行实例分析。
太湖位于太湖流域中心(30°55′–31°32′N,119°52′–120°36′E)，水域面积达2338.1km2，平均水深2m左右，为我国第三大淡水湖，也是典型的草藻型湖泊，太湖东部湖湾分布着大量的水草，而太湖中西部常年存在藻华暴发的现象。掌握水草和藻华的时空分布信息可为太湖的藻华应急防控、水草打捞或修复以及水质管理提供重要的数据支持和决策依据。
在中高分辨率的多光谱影像上，藻华和水草(尤其是浮叶类和挺水植被)在近红外波段都具有“陡坡效应”，在蓝波段和红波段由于叶绿素吸收具有低值特征，和一般水体光谱特征差异较大(图2)，因此，常用的植被指数NDVI就可以很好地区分藻华或水草(尤其是浮叶类和挺水植被)区域与一般水体。然而，藻华和水草(尤其是浮叶类和挺水植被)之间的光谱特征相似(图2)，在NDVI图像上灰度值均较高，显示为白色(图3)，使用NDVI很难区分二者。因此，在像太湖这样的草藻共存型湖泊，常用于提取藻华或提取水草的NDVI等指数失效，不能准确区分水草和藻华。
在太湖，考虑到水草主要分布在太湖东部湖区，藻华在中西部湖区频发，在实际应用中，往往只在东部湖区开展水草的时空监测，在中西部湖区开展藻华的时空分布监测。然而，随着太湖藻华暴发现象日益严重，水草和藻类在太湖的分布界线变得模糊。因此，需要构建一种能够去除水草的藻华识别指数对太湖此类草藻型湖泊的藻华进行准确识别。
采用本发明的方法对上述研究区域进行藻华空间分布的提取，流程如图1所示，包括如下步骤：
步骤一：下载研究湖泊内遥感影像，本实例以2015年10月13日Landsat 8OLI遥感影像为例，Landsat 8OLI数据来源于美国地质勘探局(https:// earthexplorer.usgs.gov/)。
利用ENVI软件分别对影像进行大气校正(包括辐射定标和大气校正)和影像镶嵌，然后利用太湖矢量边界裁剪出研究区影像；
基于Matlab软件对预处理后的影像进行缨帽变换，其计算公式如下：
Y＝c×X
其中，X代表变换前多光谱空间的像元矢量，在Landsat 8OLI影像中X＝[B2,B3,B4,B5,B6,B7]T，Bn代表传感器的波段号；c代表变换矩阵，在Landsat 8OLI影像中如下所示：
Y代表变换后多光谱空间的像元矢量，在本发明中Y＝[TC1,TC2,TC3]T，其中TC1代表亮度分量，TC2代表绿度分量，TC3代表湿度分量。
步骤二：在ENVI中将缨帽变换后的湿度分量(TC3)与遥感影像的蓝波段(Bblue)进行波段组合，得到一种去除水草影响的藻华识别指数(GAVI)，其计算公式如下：
其中，TC3缨帽变换后的湿度分量，Bblue为遥感影像的蓝波段；L为TC3最小值的绝对值。
Landsat 8OLI仅含有一个蓝光波段，对于含多个蓝光波段的卫星遥感数据，计算每个蓝光波段的GAVI并取平均值，作为像元的GAVI值。
步骤三：在ENVI中确定GAVI的分割阈值，通过该指数的灰度拉伸图(图4)来确定分割阈值。在图4中，藻华区域在该指数中灰度值较高，呈白色；水草区域在该指数中灰度值较低，呈黑色，可见本发明所提出的植被指数可以很好地分离藻华和水草。本例中以-0.1作为分割阈值进行像元尺度的分割，阈值分割的模型如下所示：
其中，GAVI为去除水草影响的藻华识别指数，最终得到2015年10月13日太湖的藻华空间分布图(图5)。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
Claims (10)
1.一种去除水草影响的藻华遥感识别方法，其特征在于，包括：
步骤一、对草藻型湖泊遥感影像进行缨帽变换处理；
步骤二、基于影像缨帽变换后的湿度分量TC3与遥感影像的蓝波段Bblue进行波段组合，构建藻华识别指数GAVI，其计算方式如下：
其中，L为TC3最小值的绝对值；
步骤三、设置分割阈值，基于像元GAVI指数及分割阈值对遥感影像进行阈值分割，识别藻华区域。
2.根据权利要求1所述的方法，其特征在于，所述遥感影像为多光谱遥感影像。
3.根据权利要求1所述的方法，其特征在于，还包括，对于含多个蓝光波段的卫星遥感数据，分别计算各蓝光波段下的像元GAVI值，之后做均值处理，作为最终的像元GAVI值。
4.根据权利要求1所述的方法，其特征在于，还包括对遥感影像进行预处理，之后对其进行缨帽变换。
5.根据权利要求4所述的方法，其特征在于，所述遥感影像的预处理方式为：将遥感影像进行辐射定标和大气校正处理。
6.根据权利要求5所述的方法，其特征在于，还包括，对遥感影像进行影像镶嵌处理。
7.根据权利要求1或4所述的方法，其特征在于，在遥感影像预处理后提取研究区影像，并对其进行缨帽变换。
8.根据权利要求7所述的方法，其特征在于，所述研究区影像的提取方式为：利用湖泊矢量边界对影像进行裁剪，获取研究区影像。
9.根据权利要求1所述的方法，其特征在于，所述识别藻华区域的方式为，基于分割阈值将图像进行像元尺度的分割，GAVI值≥分割阈值的像元为藻华像元。
10.根据权利要求1所述的方法，其特征在于，所述分割阈值基于GAVI指数的灰度拉伸图确定。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110698993.4A CN113592770B (zh) | 2021-06-23 | 2021-06-23 | 一种去除水草影响的藻华遥感识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110698993.4A CN113592770B (zh) | 2021-06-23 | 2021-06-23 | 一种去除水草影响的藻华遥感识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113592770A CN113592770A (zh) | 2021-11-02 |
| CN113592770B true CN113592770B (zh) | 2024-02-23 |
Family
ID=78244457
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110698993.4A Active CN113592770B (zh) | 2021-06-23 | 2021-06-23 | 一种去除水草影响的藻华遥感识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113592770B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114998724B (zh) * | 2022-05-13 | 2024-04-23 | 安徽农业大学 | 一种抗云层干扰的湖泊蓝藻水华遥感监测方法 |
| CN118247671B (zh) * | 2024-02-01 | 2024-10-01 | 南京信息工程大学 | 一种基于大气层顶反射率的湖泊蓝藻水华遥感自动监测方法 |
Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1735866A (zh) * | 2002-11-12 | 2006-02-15 | Fei公司 | 缺陷分析仪 |
| CN101312484A (zh) * | 2007-05-22 | 2008-11-26 | 夏普株式会社 | 图像处理设备和图像处理服务器 |
| CN102831440A (zh) * | 2012-08-20 | 2012-12-19 | 中国测绘科学研究院 | 一种广域遥感影像决策树分类方法及装置 |
| KR20130009902A (ko) * | 2011-07-13 | 2013-01-24 | 한양대학교 산학협력단 | 유해조류 제어용 살조세균 |
| CN103604423A (zh) * | 2013-11-22 | 2014-02-26 | 中国科学院南京地理与湖泊研究所 | 一种浅水湖泊遥感野外自动监测系统及监测方法 |
| CN103616341A (zh) * | 2013-11-22 | 2014-03-05 | 中国科学院南京地理与湖泊研究所 | 一种浅水湖泊水下光场同步监测系统及监测方法 |
| CN103942769A (zh) * | 2013-12-10 | 2014-07-23 | 珠江水利委员会珠江水利科学研究院 | 一种卫星遥感影像融合方法 |
| CN105303030A (zh) * | 2015-09-17 | 2016-02-03 | 中国科学院南京地理与湖泊研究所 | 一种富营养化湖泊藻类高斯垂向分布结构参数的modis遥感估算方法 |
| CN106650689A (zh) * | 2016-12-30 | 2017-05-10 | 厦门理工学院 | 一种沿海城市时间序列土地利用信息提取方法 |
| CN107247927A (zh) * | 2017-05-23 | 2017-10-13 | 浙江海洋大学 | 一种基于缨帽变换的遥感图像海岸线信息提取方法及系统 |
| CN107463775A (zh) * | 2017-07-24 | 2017-12-12 | 福州大学 | 基于多遥感指数变化趋势的植被流失去向识别方法 |
| CN107609526A (zh) * | 2017-09-21 | 2018-01-19 | 吉林大学 | 基于规则的精细尺度城市不透水面快速提取方法 |
| CN109583378A (zh) * | 2018-11-30 | 2019-04-05 | 东北大学 | 一种植被覆盖度提取方法及系统 |
| CN109982642A (zh) * | 2016-09-14 | 2019-07-05 | 登塔尔图像科技公司 | 具有故障条件检测的多维成像传感器 |
| CN110574376A (zh) * | 2017-02-24 | 2019-12-13 | 交互数字Vc控股公司 | 用于解码高动态范围图像的方法和设备 |
| CN111488902A (zh) * | 2020-01-14 | 2020-08-04 | 沈阳农业大学 | 一种原生滨海湿地生态系统碳储量定量估算方法及系统 |
| CN112418632A (zh) * | 2020-11-16 | 2021-02-26 | 广州市城市规划勘测设计研究院 | 一种生态修复关键区域识别方法及系统 |
| CN112613545A (zh) * | 2020-12-17 | 2021-04-06 | 中国农业科学院农业资源与农业区划研究所 | 一种基于多光谱遥感数据提取水体的方法 |
-
2021
- 2021-06-23 CN CN202110698993.4A patent/CN113592770B/zh active Active
Patent Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1735866A (zh) * | 2002-11-12 | 2006-02-15 | Fei公司 | 缺陷分析仪 |
| CN101312484A (zh) * | 2007-05-22 | 2008-11-26 | 夏普株式会社 | 图像处理设备和图像处理服务器 |
| KR20130009902A (ko) * | 2011-07-13 | 2013-01-24 | 한양대학교 산학협력단 | 유해조류 제어용 살조세균 |
| CN102831440A (zh) * | 2012-08-20 | 2012-12-19 | 中国测绘科学研究院 | 一种广域遥感影像决策树分类方法及装置 |
| CN103604423A (zh) * | 2013-11-22 | 2014-02-26 | 中国科学院南京地理与湖泊研究所 | 一种浅水湖泊遥感野外自动监测系统及监测方法 |
| CN103616341A (zh) * | 2013-11-22 | 2014-03-05 | 中国科学院南京地理与湖泊研究所 | 一种浅水湖泊水下光场同步监测系统及监测方法 |
| CN103942769A (zh) * | 2013-12-10 | 2014-07-23 | 珠江水利委员会珠江水利科学研究院 | 一种卫星遥感影像融合方法 |
| CN105303030A (zh) * | 2015-09-17 | 2016-02-03 | 中国科学院南京地理与湖泊研究所 | 一种富营养化湖泊藻类高斯垂向分布结构参数的modis遥感估算方法 |
| CN109982642A (zh) * | 2016-09-14 | 2019-07-05 | 登塔尔图像科技公司 | 具有故障条件检测的多维成像传感器 |
| CN106650689A (zh) * | 2016-12-30 | 2017-05-10 | 厦门理工学院 | 一种沿海城市时间序列土地利用信息提取方法 |
| CN110574376A (zh) * | 2017-02-24 | 2019-12-13 | 交互数字Vc控股公司 | 用于解码高动态范围图像的方法和设备 |
| CN107247927A (zh) * | 2017-05-23 | 2017-10-13 | 浙江海洋大学 | 一种基于缨帽变换的遥感图像海岸线信息提取方法及系统 |
| CN107463775A (zh) * | 2017-07-24 | 2017-12-12 | 福州大学 | 基于多遥感指数变化趋势的植被流失去向识别方法 |
| CN107609526A (zh) * | 2017-09-21 | 2018-01-19 | 吉林大学 | 基于规则的精细尺度城市不透水面快速提取方法 |
| CN109583378A (zh) * | 2018-11-30 | 2019-04-05 | 东北大学 | 一种植被覆盖度提取方法及系统 |
| CN111488902A (zh) * | 2020-01-14 | 2020-08-04 | 沈阳农业大学 | 一种原生滨海湿地生态系统碳储量定量估算方法及系统 |
| CN112418632A (zh) * | 2020-11-16 | 2021-02-26 | 广州市城市规划勘测设计研究院 | 一种生态修复关键区域识别方法及系统 |
| CN112613545A (zh) * | 2020-12-17 | 2021-04-06 | 中国农业科学院农业资源与农业区划研究所 | 一种基于多光谱遥感数据提取水体的方法 |
Non-Patent Citations (12)
| Title |
|---|
| Estimation of Chlorophyll a Concentration Using NIR/Red Bands of MERIS and Classification Procedure in Inland Turbid Water;Yunmei Li;《IEEE Transactions on Geoscience and Remote Sensing ( Volume: 50, Issue: 3, March 2012)》;全文 * |
| Graphene-Oxide-Coated Long-Period Grating-Based Fiber Optic Sensor for Relative Humidity and External Refractive Index;Kasun Prabuddha Wasantha Dissanayake;《Journal of Lightwave Technology ( Volume: 36, Issue: 4, 15 February 2018)》;全文 * |
| Potential of Landsat-Oli for Seagrass and Algae Species Detection and Discrimination in Bahrain National Water Using Spectral Reflectance;A. Alkhatlan;《GARSS 2018 - 2018 IEEE International Geoscience and Remote Sensing Symposium》;20181104;全文 * |
| 刘立冰 ; 熊康宁 ; 任晓冬 ; .基于遥感生态指数的龙溪―虹口国家级自然保护区生态环境状况评估.生态与农村环境学报.2020,(第02期),全文. * |
| 利用温湿度指数提高红树林遥感识别精度;张雪红;《国土资源遥感》;20120331;全文 * |
| 基于LandSat-8影像构建指数识别钉螺孳生地;苏亚聪;《中国优秀硕士论文全文数据库》;全文 * |
| 基于MODIS数据的太湖蓝藻遥感监测研究;程琦;《中国优秀硕士论文全文数据库》;20130615;全文 * |
| 基于遥感影像光谱分析的蓝藻水华识别方法;林怡;《同济大学学报(自然科学版)》;20110831;全文 * |
| 基于遥感生态指数的龙溪―虹口国家级自然保护区生态环境状况评估;刘立冰;熊康宁;任晓冬;;生态与农村环境学报(第02期);全文 * |
| 基于遥感的玉米涝渍监测与评价技术研究;冯琳;《中国优秀硕士论文全文数据库》;全文 * |
| 海岸带盐沼植被指数构建研究;舒敏彦;《中国优秀硕士论文全文数据库》;全文 * |
| 面向矢量地图的富信息无损水印技术研究;邱银国;《中国优秀硕士论文全文数据库》;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113592770A (zh) | 2021-11-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112183209B (zh) | 一种基于多维特征融合的区域农作物分类方法及系统 | |
| Zhang et al. | A simple automated dynamic threshold extraction method for the classification of large water bodies from landsat-8 OLI water index images | |
| CN113592770B (zh) | 一种去除水草影响的藻华遥感识别方法 | |
| CN112541921B (zh) | 城市绿地植被信息数据化精准测定方法 | |
| CN102750701B (zh) | 针对Landsat TM和ETM图像的厚云及其阴影检测方法 | |
| CN112800973B (zh) | 一种基于植被物候特征决策的互花米草提取方法 | |
| CN113033670A (zh) | 一种基于Sentinel-2A/B数据的水稻种植面积提取方法 | |
| CN117218531B (zh) | 一种面向海陆生态交错带红树林植物地上碳储量估算方法 | |
| CN110796001A (zh) | 一种卫星影像覆膜农田识别与提取方法及系统 | |
| CN109376600A (zh) | 多光谱遥感影像综合特征云检测方法及装置 | |
| CN111582194A (zh) | 基于多特征lstm网络的多时相高分辨率遥感影像的建筑物提取方法 | |
| Song et al. | Monitoring leaf phenology in moist tropical forests by applying a superpixel-based deep learning method to time-series images of tree canopies | |
| CN110516648B (zh) | 基于无人机遥感和模式识别的苎麻株数识别方法 | |
| CN114266958A (zh) | 一种基于云平台的红树林遥感快速精准提取方法 | |
| Wang et al. | Building extraction in multitemporal high-resolution remote sensing imagery using a multifeature LSTM network | |
| CN115271217A (zh) | 一种基于无人机多源遥感数据的小麦产量预测方法 | |
| CN113780307A (zh) | 一种区域年度最大蓝绿空间信息提取方法 | |
| CN114778483A (zh) | 用于监测山地的遥感影像近红外波段地形阴影校正方法 | |
| Oguslu et al. | Detection of seagrass scars using sparse coding and morphological filter | |
| CN116051983A (zh) | 一种面向多业务系统融合的多光谱遥感影像水体提取方法 | |
| CN112329829B (zh) | 一种基于高光谱数据的红树林提取方法 | |
| CN111832480B (zh) | 一种基于光谱特征的油菜种植区遥感识别方法 | |
| CN113096114A (zh) | 结合形态与指数的高分辨率城市水体图斑遥感提取方法 | |
| CN117455939A (zh) | 遥感卫星图像的耕地边界提取方法 | |
| Huang et al. | Research on crop planting area classification from remote sensing image based on deep learning |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |